Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2014
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Че там, есть успехи с тестом?
Че там, есть успехи с тестом?
все так же.. в начале недели хорошо робит, после 'предобучения'. Потом начинает лить. Опять переделал, завтра поставлю на тесты :D
вознаграждение криво считается в трейдере, видать.. после серии апдейтов начинает торговать не в ту сторону
заодно рекуррентные сети в торче ковыряю между делом
желтые - начала недель, первые 1-3 дня
Кто нибудь пробовал использовать реплекативные (рекруррентые?) сети для снижения размерности?
Статья.
Видео.
Кто нибудь пробовал использовать реплекативные (рекруррентые?) сети для снижения размерности?
Статья.
Видео.
рекуррентные автоэнкодеры используют. не пробовал
рекуррентные автоэнкодеры используют. не пробовал
Я там не могу понять, как сразу идет вообще оценка качества модели по всем выходным нейронам, число которых равно входным нейронам...
Если увидите где подобное, пригодное для применения, то дайте, пожалуйста, знать.
У меня выборка приближается к 3000 предикторов, и появилась озабоченность, что их можно сильно сжать, так как они описывают сходную область.
Я там не могу понять, как сразу идет вообще оценка качества модели по всем выходным нейронам, число которых равно входным нейронам...
Если увидите где подобное, пригодное для применения, то дайте, пожалуйста, знать.
У меня выборка приближается к 3000 предикторов, и появилась озабоченность, что их можно сильно сжать, так как они описывают сходную область.
на вход и выход все фичи, в скрытом слое меньше нейронов. Он просто сжимает инфу через минимизацию ошибки на выходе. Вход должен равняться выходу (в идеале). Потом вторая часть НС выбрасывается после обучения, на выходе получаешь сжатые признаки, равные кол-ву нейронов в скрытом слое
можно добавить рекуррентные слои и т.п.
в гугле - Автоэнкодер. и их разновидности.
на вход и выход все фичи, в скрытом слое меньше нейронов. Он просто сжимает инфу через минимизацию ошибки на выходе. Вход должен равняться выходу (в идеале). Потом вторая часть НС выбрасывается после обучения, на выходе получаешь сжатые признаки, равные кол-ву нейронов в скрытом слое
можно добавить рекуррентные слои и т.п.
в гугле - Автоэнкодер. и их разновидности.
Да это всё я понял, спасибо, я просто не понимаю как это обучать сеть давать сразу множества ответов на одну строку выборки. Что там за метрика. Деревьями такое неясно как сделать можно было бы...
Да это всё я понял, спасибо, я просто не понимаю как это обучать сеть давать сразу множества ответов на одну строку выборки. Что там за метрика. Деревьями такое неясно как сделать можно было бы...
Я совсем не специалист, но сначала - декомпозиция, когда одно событие порождает множество возможных его причин. После - рекомпозиция, когда все эти возможные причины анализируются на предмет возможных воздействий, на эти причины влияющие. Итог - небольшое количество параметров, влияя на которые можно управлять событием.
Да это всё я понял, спасибо, я просто не понимаю как это обучать сеть давать сразу множества ответов на одну строку выборки. Что там за метрика. Деревьями такое неясно как сделать можно было бы...
Это вообще не имеет большого смысла - использовать автоэнкодер сначала или просто глубокую НС. Они нужны когда много однотипных задач. Например, сжать изображения и т.п. и потом юзать в других нс
Я совсем не специалист, но сначала - декомпозиция, когда одно событие порождает множество возможных его причин. После - рекомпозиция, когда все эти возможные причины анализируются на предмет возможных воздействий, на эти причины влияющие. Итог - небольшое количество параметров, влияя на которые можно управлять событием.
Не совсем так - там за счет преломления данных в нейроне через веса в функциях происходит сведение значений в одну функцию (как бы фокусировка изображения). А потом, зная эти веса, опять разложение на составляющие, как призма радугу раскладывает примерно. Процесс мне понятен, но как это сделать через деревья не понимаю.